一种基于深度学习的微电网短期负荷预测方法与流程

本发明涉及一种微电网短期负荷预测的方法，尤其是涉及一种深度学习网络为基础的负荷预测方法。

背景技术：

微电网是电网消纳分布式新能源的重要途径，对微电网内部负荷及整体负荷的预测具有重要的意义。目前，用于负荷预测的算法包含有传统算法及现代算法两大类。

由于微电网内部存在渗透率较高的分布式新能源，其负荷变化及波动越来越大，预测难度相比传统大网负荷更大。使用传统广泛应用的负荷预测算法如bp神经网络及支持向量机等浅层学习方法，已经不能满足波动巨大的微电网负荷预测。当输入数据量非常大时，浅层学习算法网络由于本身就是一种全连接网络，会导致整个网络的权值太多，性能急剧下降，最后会限制每层能够最多容纳的神经元数，进而限制其学习深度，只能停留在浅层学习。浅层学习以梯度传输方法进行误差反向传输过程限制了其学习深度，当学习深度增加时，反向传输的误差会随着深度的增加而急剧骤减，产生“梯度消失”现象，误差的传输效果仅会停留在浅层，对深层的权值更新基本上没有任何作用，训练效果趋近于无，甚至导致临近输入层的前层参数无法优化，趋于随机。

技术实现要素：

本发明主要是解决现有技术所存在的技术问题；提供了一种基于卷积神经网络(cnn)和长短期记忆网络(lstm)的深度学习预测方法，通过cnn和lstm网络的结合，将更加深度的挖掘负荷数据存在的特征和关系，大大提高负荷预测的精度和可靠性。

本发明还有一目的是解决现有技术所存在的技术问题；提供了一种基于cnn算法的日类型分类方法，通过深度学习网络构建一个日类型分类器，将负荷进行准确分类，进而能够提高负荷预测的精度。

本发明再有一目的是解决现有技术所存在的技术问题；提供了一种基于lstm网络的负荷预测网络群，通过针对不同的日类型负荷进行训练和数据挖掘，得到一系列的网络，构成网络群，可以大大提高负荷预测的精度。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于深度学习的微电网短期负荷预测方法，基于以下定义：

定义1，数据区块：数据区块分为两大块：训练块和测试/预测块；训练块包含训练网络所需的训练数据，对cnn网络训练而言包含典型历史发电数据和天气标签(labels)的数据包，对lstm网络而言，为包含发电数据预测所需要的数据和时间点实际负荷值的数据包；测试/预测块包含进行测试或者进行负荷预测所需的测试/待预测数据，对以cnn为基础的深度学习分类网络而言，其数据包格式与训练块在cnn网络里的格式一致；对以lstm网络群为基础的深度学习负荷预测网络而言，其数据包格式与训练块在lstm网络里的数据包格式一致；

定义2，cnn块：cnn块内包含的是基于cnn网络深度学习的分类方法；通过数据块输入训练数据信息后，可以训练产生cnn分类网络，输入其他数据信息就可以进行类别分类；对分布式光伏发电负荷部分而言，类别分类识别应当为4类：晴天、多云、阴天、雨雪；对用电负荷部分而言，类别分类识别应当为2类：工作日、节假日；

定义3，选择块：这个区块结构简单，只有一个选择器，用于只在于选择区分；在进行训练网络过程中，它选择的对象是cnn网络的结果和训练数据构成的的总数据集，作用在于将光伏负荷按照4类或用电负荷按照2类进行分离，然后再带入lstm块进行训练；在进行预测时，它选择的对象是lstm网络群，作用在于天气预报信息选择lstm群内合适的lstm网络，并将数据输入lstm网络进行预测；

定义4，lstm块：lstm块内包含的是基于lstm网络深度学习的预测方法；在训练过程中，根据选择块送来的不同类别的数据，构建训练不同的lstm网络，这些网络最终形成适用于预测的lstm网络群；在预测过程中，根据选择器，调出适合预测数据的lstm网络，进行负荷预测，输出负荷预测值；

具体包括：

步骤1，历史数据预处理：将历史负荷数据及日信息输入模型，建立起原始数据集，再采用matlab软件进行除错和归一化等操作，组合为符合数据模型输入所需要的数据排列格式，获取能够进行构建负荷预测模型的数据集；

步骤2，历史数据分类器：将历史负荷数据集输入cnn网络分类器，依次步骤1中取历史数据输入cnn网络，直至全部输入为止，对历史数据进行深度学习，将不同日类型的数据集进行分离并重新组合，获得分类后的历史数据集；

步骤3，选择器选取数据：由步骤2分类后的数据集输入选择器，由选择器根据历史数据分类结果分别导入不同的lstm网络，获得能够被不同lstm网络识别的历史数据集；

步骤4，构建lstm负荷预测网络群：由步骤3选择后的数据集分别按照选择器的选择逐个输入各个lstm网络，分别进行深度学习，学习结束后得到lstm负荷预测网络群；

步骤5，进行负荷预测：将预测所需信息输入步骤3的选择器，通过选择器选择lstm网络群里符合待预测负荷的负荷预测网络，并输入信息，得到负荷预测的结果。

在上述的一种基于深度学习的微电网短期负荷预测方法，所述的步骤2中，历史数据分类器的具体操作方法如下：

步骤2.1，选取不同日类型下的典型日各10日输入cnn网络；

步骤2.2，初始化算法必须参数：初始化的参数通常是卷积核及偏置值，卷积核无特殊情况进行随机初始化即可，偏置值无特殊情况初始化为0即可；一般cnn网络进行学习时不需要进行归一化操作；

步骤2.3，卷积计算及池化：卷积的结果不一定是一个值，在大部分情况下是一个矩阵，这个矩阵即是权值矩阵，被称为卷积核；可以将整个卷积步骤视为一个进行加权并求和的步骤；池化，即亚采样，其主要目的是压缩特征图map并降低维数，使用最大法池化；

步骤2.4，误差反向传播和网络训练；误差在网络各层进行反向传播过程，是为了改变各层权重和偏置值，并通过不断的改变它们来减小最终误差；

步骤2.5：将历史数据全部输入训练好的cnn网络，即历史数据分类器中，得到分类后的历史数据。

在上述的一种基于深度学习的微电网短期负荷预测方法，所述的步骤4中，构建lstm负荷预测网络群的具体操作方法如下：

步骤4.1，通过选择器，将cnn分类后的历史数据独立隔离的分开，分别输入不同的lstm网络中；

步骤4.2，数据处理：主要包括数据归一化，打包成元胞便于输入，进行归一化后，计算数量级减少，可以加快整个网络的运行速度，因此历史数据在进入lstm网络训练之前，需对历史数据归一化处理得到数据元胞；

步骤4.3，lstm网络的训练：计算门状态及网络训练；各个门输入量均是两个部分，分别是上一时刻隐藏层的输出及当前时刻神经网络的输入；将分离的数据通过lstm内神经元门的状态和误差流对lstm网络进行训练，得到一个个lstm网络，构成lstm网络群。

在上述的一种基于深度学习的微电网短期负荷预测方法，所述步骤3中，选择器进行：在进行lstm网络群构建时，将历史数据分类器的分类结果隔离，独立的输入不同lstm网络；

并且，在进行预测时，根据输入的预测信息，选择合适的lstm网络进行预测。

在上述的一种基于深度学习的微电网短期负荷预测方法，由所述的步骤3中，辐射电磁波高频分量为1ghz～3ghz超高频分量。

因此，本发明具有如下优点：1.采用cnn网络构建的分类器，能够挖掘历史数据的关联性，对历史数据进行准确的分类；2.采用lstm网络群构建的预测模块，能够对不同日类型的负荷进行准确预测；3.采用选择器对区块的连接，能够快速处理和选择不同日类型需要进行预测的网络。

附图说明

图1是本发明各个模块的连接示意图。

图2a是本发明以对不同情况下微电网内部负荷的预测结果(微电网内部发电负荷晴天预测结果)。

图2b是本发明以对不同情况下微电网内部负荷的预测结果(微电网内部发电负荷多云预测结果)。

图2c是本发明以对不同情况下微电网内部负荷的预测结果(微电网内部发电负荷阴天预测结果)。

图2d是本发明以对不同情况下微电网内部负荷的预测结果(微电网内部发电负荷雨雪预测结果)。

图2e是本发明以对不同情况下微电网内部负荷的预测结果(微电网内部用电负荷工作日预测结果)。

图2f是本发明以对不同情况下微电网内部负荷的预测结果(微电网内部用电负荷节假日预测结果)。

图3是本发明的微电网整体负荷预测结果。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

一种基于深度学习的微电网短期负荷预测方法，包括以下步骤：

步骤1，数据区块：数据区块分为两大块：训练块和测试/预测块。训练块包含训练网络所需的训练数据，对cnn网络训练而言包含典型历史发电数据和天气标签(labels)的数据包，对lstm网络而言，为包含发电数据预测所需要的数据和时间点实际负荷值的数据包。测试/预测块包含进行测试或者进行负荷预测所需的测试/待预测数据，对以cnn为基础的深度学习分类网络而言，其数据包格式与训练块在cnn网络里的格式一致；对以lstm网络群为基础的深度学习负荷预测网络而言，其数据包格式与训练块在lstm网络里的数据包格式一致。

步骤2，cnn块：cnn块内包含的是基于cnn网络深度学习的分类方法。通过数据块输入训练数据信息后，可以训练产生cnn分类网络，输入其他数据信息就可以进行类别分类。对分布式光伏发电负荷部分而言，类别分类识别应当为4类：晴天、多云、阴天、雨雪。对用电负荷部分而言，类别分类识别应当为2类：工作日、节假日。

步骤3，选择块：这个区块结构简单，只有一个选择器，其功能只在于选择区分。在进行训练网络过程中，它选择的对象是cnn网络的结果和训练数据构成的的总数据集，作用在于将光伏负荷按照4类或用电负荷按照2类进行分离，然后再带入lstm块进行训练。在进行预测时，它选择的对象是lstm网络群，作用在于天气预报信息选择lstm群内合适的lstm网络，并将数据输入lstm网络进行预测。

步骤4，lstm块：lstm块内包含的是基于lstm网络深度学习的预测方法。在训练过程中，根据选择块送来的不同类别的数据，构建训练不同的lstm网络，这些网络最终形成适用于预测的lstm网络群。在预测过程中，根据选择器，调出适合预测数据的lstm网络，进行负荷预测，输出负荷预测值。

在本实施例中，应用上面的电气设备局部放电检测方法的模块包括：包括用于数据处理的数据块2、进行历史数据分类的cnn块3、连接cnn块和lsmt块的选择器4、进行预测的lstm块。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

尽管本文较多地使用了cnn、lstm、分类器、记忆单元、输入门、输出门、遗忘门等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。